論文の概要: CLADE: Cycle Loss Augmented Degradation Enhancement for Unpaired
Super-Resolution of Anisotropic Medical Images
- arxiv url: http://arxiv.org/abs/2303.11831v2
- Date: Mon, 12 Jun 2023 17:14:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 00:53:27.315246
- Title: CLADE: Cycle Loss Augmented Degradation Enhancement for Unpaired
Super-Resolution of Anisotropic Medical Images
- Title(参考訳): CLADE: 異方性医用画像の高分解能化のためのサイクル損失増強
- Authors: Michele Pascale, Vivek Muthurangu, Javier Montalt Tordera, Heather E
Fitzke, Gauraang Bhatnagar, Stuart Taylor, Jennifer Steeden
- Abstract要約: そこで本研究では,ネイティブな異方性3次元医用画像のみを必要とする新しいアプローチについて述べる。
この方法は、3Dボリュームから抽出された小さな2Dパッチが、類似した視覚的特徴を含むという観察に依存している。
異方性3D腹部MRIにおけるCLADEの有用性について検討した。
- 参考スコア(独自算出の注目度): 0.18472148461613155
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Three-dimensional (3D) imaging is extremely popular in medical imaging as it
enables diagnosis and disease monitoring through complete anatomical coverage.
Computed Tomography or Magnetic Resonance Imaging (MRI) techniques are commonly
used, however, anisotropic volumes with thick slices are often acquired to
reduce scan times. Deep learning (DL) can be used to recover high-resolution
features in the low-resolution dimension through super-resolution
reconstruction (SRR). However, this often relies on paired training data which
is unavailable in many medical applications. We describe a novel approach that
only requires native anisotropic 3D medical images for training. This method
relies on the observation that small 2D patches extracted from a 3D volume
contain similar visual features, irrespective of their orientation. Therefore,
it is possible to leverage disjoint patches from the high-resolution plane, to
learn SRR in the low-resolution plane. Our proposed unpaired approach uses a
modified CycleGAN architecture with a cycle-consistent gradient mapping loss:
Cycle Loss Augmented Degradation Enhancement (CLADE). We show the feasibility
of CLADE in an exemplar application; anisotropic 3D abdominal MRI data. We
demonstrate superior quantitative image quality with CLADE over supervised
learning and conventional CycleGAN architectures. CLADE also shows improvements
over anisotopic volumes in terms of qualitative image ranking and quantitative
edge sharpness and signal-to-noise ratio. This paper demonstrates the potential
of using CLADE for super-resolution reconstruction of anisotropic 3D medical
imaging data without the need for paired training data.
- Abstract(参考訳): 3次元3Dイメージングは、完全な解剖学的カバレッジを通じて診断と疾患のモニタリングを可能にするため、医用画像では非常に人気がある。
CT法やMRI法は一般的に用いられているが, 薄いスライスを有する異方性体積はスキャン時間を短縮するために取得されることが多い。
深層学習(DL)は、超分解能再構成(SRR)により、低分解能次元の高分解能特徴を回復するために用いられる。
しかし、これは多くの医療応用では利用できないペアトレーニングデータに依存することが多い。
そこで本研究では, ネイティブな異方性3次元医用画像のみを必要とする新しいアプローチについて述べる。
この方法は、3次元ボリュームから抽出された小さな2次元パッチが、向きに関係なく、類似した視覚的特徴を含むという観察に依存している。
したがって、高分解能平面からの解離パッチを利用して、低分解能平面でSRRを学ぶことができる。
提案手法では,サイクル一貫性のある勾配マッピング損失:サイクル損失拡張分解促進(clade)を備えた修正サイクルガンアーキテクチャを用いる。
異方性3D腹部MRIにおけるCLADEの有用性について検討した。
CLADEは教師付き学習や従来のCycleGANアーキテクチャよりも優れた定量的画像品質を示す。
CLADEはまた、定性的画像ランキングと定量的エッジシャープネスと信号対雑音比の観点から、異方性ボリュームよりも改善されている。
本稿では, CLADEを用いた異方性3次元画像データの超高分解能再構成の可能性について述べる。
関連論文リスト
- Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。
我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
論文 参考訳(メタデータ) (2024-04-15T02:41:55Z) - CycleINR: Cycle Implicit Neural Representation for Arbitrary-Scale Volumetric Super-Resolution of Medical Data [19.085329423308938]
CycleINRは、3次元医療データの超高解像度化のための新しい拡張インプリシトニューラルネットワーク表現モデルである。
そこで我々は,Slice-wise Noise Level Inconsistency (SNLI) を新たに導入し,Slice-wise noise Level inconsistency (SNLI) を定量的に評価する。
論文 参考訳(メタデータ) (2024-04-07T08:48:01Z) - Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial [8.393536317952085]
ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。
本稿では,GPUメモリの制限を緩和するパッチベースのボリュームリファインメントネットワーク,合成データを用いたトレーニングネットワーク,およびモデルベースの反復リファインメントを用いて,合成データと実世界のギャップを埋める。
論文 参考訳(メタデータ) (2024-03-19T00:07:48Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳(メタデータ) (2023-12-19T22:40:51Z) - Resolution- and Stimulus-agnostic Super-Resolution of Ultra-High-Field Functional MRI: Application to Visual Studies [1.8327547104097965]
高分解能fMRIは脳のメソスケール組織への窓を提供する。
しかし、高い空間分解能はスキャン時間を増加させ、低信号とコントラスト-ノイズ比を補う。
本研究では,fMRIのための深層学習に基づく3次元超解像法を提案する。
論文 参考訳(メタデータ) (2023-11-25T03:33:36Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳(メタデータ) (2022-03-10T14:22:54Z) - HDNet: High-resolution Dual-domain Learning for Spectral Compressive
Imaging [138.04956118993934]
HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。
一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。
一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
論文 参考訳(メタデータ) (2022-03-04T06:37:45Z) - 3D Human Pose, Shape and Texture from Low-Resolution Images and Videos [107.36352212367179]
本稿では,解像度認識ネットワーク,自己スーパービジョン損失,コントラスト学習スキームからなるrsc-netを提案する。
提案手法は1つのモデルで異なる解像度で3次元物体のポーズと形状を学習できる。
低解像度映像を扱うRSC-Netを拡張し、低解像度入力からテクスチャ化された3D歩行者の再構築に適用します。
論文 参考訳(メタデータ) (2021-03-11T06:52:12Z) - Hierarchical Amortized Training for Memory-efficient High Resolution 3D
GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。
トレーニングと推論の異なる構成を使用することで、この目標を達成する。
3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文 参考訳(メタデータ) (2020-08-05T02:33:04Z) - HRINet: Alternative Supervision Network for High-resolution CT image
Interpolation [3.7966959476339035]
我々は,高分解能CT画像の生成を目的とした,新しいネットワークであるHigh Resolution Interpolation Network (HRINet)を提案する。
本稿では,ACAI と GAN のアイデアを組み合わせて,教師なしと教師なしのトレーニングを適用して,代替監督手法の新たなアイデアを提案する。
実験の結果,2562,5122画像の定量的,定性的に大きな改善が見られた。
論文 参考訳(メタデータ) (2020-02-11T15:09:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。